📋 个人简介
- 💖 作者简介：大家好，我是阿牛😜
- 💬格言：迄今所有人生都大写着失败，但不妨碍我继续向前！🔥
🧨前言
百度贴吧！曾今一代人的回忆，曾经用了一年时间就成长为了全球最大的中文社区。用户量超 15 亿，曾诞生无数金句！“贾君鹏，你妈喊你回家吃饭”、“帝吧出征，寸草不生”，当年流行一句“吧友一起吼一吼，整个互联网都要抖三抖。”由此可见当年的贴吧多么火爆，即使今天大不如从前了，但阿牛依旧是贴吧资深吧友，闲暇时常去刷搞笑段子，那么今天阿牛对贴吧下手了！
🧧分析
今天目标是帖子的标题和链接，从标题中就可以看出很多内容了，接下来做一个分页处理就好了
可以观察出页码是由pn参数决定的，第一页pn=0,第二页pn=50,第三页pn=100,以此类推。另外，可以看到链接中的参数kw就是我们搜索的参数，可以用上，把爬虫写活一点！
正常分析就完成了，那我们上代码看看
好家伙，出问题了，没有匹配到所有要提取信息的元素节点，列表为空，这可把阿牛整懵了，学到现在，阿牛对xpath一直用xpath helper,不会出错，不信你们看：
正常猜想是反爬了，不急，先打开网页源代码看一手，不看不知道，一看吓一跳，源码中内容是注释掉的，在浏览器通过渲染去掉了注释。
所以我们拿到的内容是注释掉的，需要处理去掉HTML的注释符号，我们的xpath才能生效。
果然去掉注释后我们拿到了对象，接下来我们就可以进行数据提取了，最后把他存为csv文件。
🧧源码
import requests
from lxml import etree
import csv
#百度贴吧里的东西反扒将内容注释了，解决方案为换低端浏览器，或者处理掉注释
headers = {
'User-Agent': 'Mozilla/5.0(Windows NT 10.0; WOW64)AppleWebKit/537.36(KHTML,like Gecko)Chrome/90.0.4430.85 Safari/537.',
}
name = input("请输入你要搜索的贴吧名称：")
page = input("请输入你要看的页数：")
page = (int(page)-1)*50
for page in range(0,page+50,50):
url = 'https://tieba.baidu.com/f?kw={}&ie=utf-8&cid=&tab=corearea&pn={}'.format(name,page)
response = requests.get(url=url,headers=headers).text
#去掉html的注释符号
response = response.replace("<!--","").replace("-->","")
html = etree.HTML(response)
el_list = html.xpath('//li[@class=" j_thread_list clearfix thread_item_box"]/div/div[2]/div[1]/div[1]/a')
# print(el_list)
# newline='' 去掉存进csv文件内容之间的空行
with open("贴吧.csv", "w", encoding="utf-8",newline='') as csvfile:
fieldnames = ["title", "link"]
writer = csv.DictWriter(csvfile, fieldnames=fieldnames)
writer.writeheader()
for el in el_list:
temp = {}
temp['title'] = el.xpath("./text()")[0]
#给链接拼接域名
temp['link'] = 'https://tieba.baidu.com'+el.xpath("./@href")[0]
print(temp)
writer.writerow(temp)
print("爬取完毕！")
🧧结果
🧨结语
这都是阿牛很久以前写的，抽空把它写出来，希望对大家有所帮助，我会持续将以前学的慢慢发布到专栏哦！感谢大家的支持！！！
